第六讲时间序列的平稳性及其检验.ppt

第六讲时间序列的平稳性及其检验;经典回归分析的假设之一：解释变量X是非随机变量 放宽该假设：X是随机变量，则需进一步要求： (1)X与随机扰动项 ? 不相关∶Cov(X,?)=0 (2) 依概率收敛：; 表现在:两个本来没有任何因果关系的变量，却有很高的相关性（有较高的R2)。例如：如果有两列时间序列数据表现出一致的变化趋势（非平稳的），即使它们没有任何有意义的关系，但进行回归也可表现出较高的可决系数。 在现实经济生活中，实际的时间序列数据往往是非平稳的，而且主要的经济变量如消费、收入、价格往往表现为一致的上升或下降。这样，仍然通过经典的因果关系模型进行分析，一般不会得到有意义的结果。;二、时间序列数据的平稳性; 例1．一个最简单的随机时间序列是一具有零均值同方差的独立分布序列： Xt=?t ， ?t~N(0,?2); 例2．另一个简单的随机时间列序被称为随机游走（random walk），该序列由如下随机过程生成： Xt=Xt-1+?t 这里， ?t是一个白噪声。; X1=X0+?1 X2=X1+?2=X0+?1+?2 … … Xt=X0+?1+?2+…+?t 由于X0为常数，?t是一个白噪声，因此: Var(Xt)=t?2 即Xt的方差与时间t有关而非常数，它是一非平稳序列。;然而，对X取一阶差分（first difference）: ?Xt=Xt-Xt-1=?t 由于?t是一个白噪声，则序列{? Xt}是平稳的。;事实上，随机游走过程是下面我们称之为1阶自回归AR(1)过程的特例: Xt=?Xt-1+?t 不难验证: 1)|?|1时，该随机过程生成的时间序列是发散的，表现为持续上升(?1)或持续下降(?-1)，因此是非平稳的； 2)?=1时，是一个随机游走过程，也是非平稳的。 事实上可以证明:只有当-1?1时，该随机过程才是平稳的;给出一个随机时间序列，首先可通过该序列的时间路径图来粗略地判断它是否是平稳的。 一个平稳的时间序列在图形上往往表现出一种围绕其均值不断波动的过程。 而非平稳序列则往往表现出在不同的时间段具有不同的均值（如持续上升或持续下降）。 ;第十一页，共五十九页，2022年，8月28日;进一步的判断:检验??本自相关函数及其图形;一个时间序列的样本自相关函数定义为：;第十四页，共五十九页，2022年，8月28日;可检验对所有k0，自相关系数都为0的联合假设，这可通过如下QLB统计量进行：;第十六页，共五十九页，2022年，8月28日;容易验证：该样本序列的均值为0，方差为0.0789。;从QLB统计量的计算值看，滞后17期的计算值为26.38，未超过5%显著性水平的临界值27.58，因此,可以接受所有的自相关系数?k(k0)都为0的假设。 因此，该随机过程是一个平稳过程。 ; 序列Random2是由一随机游走过程 Xt=Xt-1+?t 生成的一随机游走时间序列样本。其中，?t是由Random1表示的白噪声。; 图形表示出：该序列具有相同的均值，但从样本自相关图看，虽然自相关系数迅速下降到0，但随着时间的推移，则在0附近波动且呈发散趋势。 从QLB统计量的计算值看，滞后1期的计算值为5.116，超过5%显著性水平的临界值3.84，因此,拒绝自相关系数?k(k0)都为0的假设。 该随机游走序列是非平稳的。;例 检验中国支出法GDP时间序列的平稳性。 ;第二十二页，共五十九页，2022年，8月28日; 图形：表现出了一个持续上升的过程，可初步判断是非平稳的。 样本自相关系数：缓慢下降，再次表明它的非平稳性。 ; ; （*）式可变形式成差分形式： ?Xt=(?-1)Xt-1+ ?t =?Xt-1+ ? t (**) 检验（*）式是否存在单位根?=1，也可通过（**）式判断是否有? =0。; 可证明，（*）式中的参数?1或?=1时，时间序列是非平稳的;对应于（**）式，则是?0或? =0。 ;上述检验可通过OLS法下的t检验完成。 然而，在零假设（ 序列非平稳）下，即使在大样本下t统计量也是有偏误的（向下偏倚），通常的t 检验无法使用。 Dicky和Fuller于1976年提出了这一情形下t统计量服从的分布（这时的t统计量称为?统计量），即DF分布（见表）。 由于